一个数据爬取和分析系统的演变过程

假设有这样一个需求，需要你写一个爬虫，爬取微博中关于某个话题的讨论，然后分析情感，最后用一个网页来展示分析结果。那么你一开始的数据流程可能是这样的：

后来，老板发现只有微博一个源不够，于是又给你加了100000个源。现在你的系统是这样的：

为了防止太多的线做交叉，我做了一些处理。

一开始你调用 NLP 分析接口的时候，传入的参数只有爬取内容的正文，但有一天，NLP 研究员希望做一个情感衰减分析。于是你要修改每一个爬虫，让每一个爬虫在调用 NLP 分析接口的时候，都带上时间参数。这花了你几天的时间。

你一想，这不行啊，岂不是每次增加修改字段，都要改每一个爬虫？为了避免动到爬虫，于是你对系统架构做了一些修改：

现在，爬虫这边总是会把它能爬到的全部数据都写进 Kafka 里面。你的 ETL 程序只挑选需要的字段传给 NLP 接口进行分析，分析完成以后，写入数据库中。程序的处理线条变得清晰了。

你以为这样就完了？还早呢。

有一天，你发现网页上的数据很久没有更新了。说明数据在某个地方停了。现在，你首先去 Kafka 检查爬虫的数据，发现爬虫数据是正常入库的。那么，说明问题出现在下图这一块：

那么，请问是 ETL 在处理数据的时候出现问题导致数据丢失了，还是 NLP 接口出了问题，导致你传给他的数据没有返回？还是数据库不堪重负，写入数据库的时候出错了？

你现在根本不知道哪里出了问题。于是互相甩锅。

为了避免这个问题，你再一次修改了系统架构：

现在通过检查 Kafka 的数据，我可以知道 ETL 程序是否正常输出内容。也可以知道 NLP 分析程序是否正常返回数据。我还可以对比两边的数据变化率进行监控。甚至还可以通过监控 Kafka，发现负面内容太多时，及时报警。

当然，这还没有完，如果还需要发现新的链接，并自动抓取，那么又需要增加新的节点。又或者有一些内容需要用浏览器渲染，又要增加新的节点……

大家可以看到，数据会反复进出 Kafka，那么它的效率显然会比直接用爬虫串联万物的写法慢。但我认为这样的效率损失是值得的。因为通过把系统拆解成不同的小块，我们可以对系统运行的每一个阶段进行监控，从而能够更好地了解系统的运行状态。并且，每一个小块也能够更方便地进行维护，无论是修 bug 还是增加新功能，都能减小对其他部分的影响，并且可以提高修复的速度。